情感分類推薦使用什麽算法和軟件包

從最基本的開始吧： 基於詞典的正負詞詞頻， 我們實驗室壹個小組曾經在新浪微博上使用這個方法， 驚訝的發現這個如此不優美的方法的效果竟然那麽的“可以看”。 在此之上壹個改進的辦法是對大量數據做壹次二元的離散化（假定是正負情感）， 以此選定閾值， 離散化的方法有很多， 不再贅述。接下來的方法主要分為兩類：基於特征（feature-based）：　這類方法比較好理解， 無非是人來選定特征空間， 然後對每壹個數據項生成壹個特征向量， 使用分類器對向量進行分類， 理論上所有的分類器都可以實現這個需求， 只是效果更不同。　方法之壹是就是KNN， 但是和所有基於特征的方法壹樣， 特征的選取是壹個永恒的話題，像KNN這種還需要維護巨大矩陣的方法尤其難以滿足實用需求， 但是對於KNN的空間優化也有相應的辦法， 就是對每個數據項指記錄K項最近距離， 也就是K個<數據項ID， 距離>， 當有更近的數據項進來時， 替換最遠的數據項， 此外， 我也同意@範文閣下的觀點， 覺得KNN的效果不會好於SVM。　SVM： 經典分類器， 我決不敢自稱完全理解SVM， 但使用方法大同， 也是將數據項生成特征向量（稍後會介紹另壹種方法）， 但是特征的選取是壹個永恒的話題， 因為壹切特征對於描述壹個數據項來說都是必要的（但是不壹定重要）， 但是我們盡量選取合適的特征組來保證分類的準確率， 這壹切， 這所做的壹切都是對無法枚舉出所有特征的現狀的妥協。 SVM的開源包有很多， 樓主可以試試libsvm和svmlight。基於核函數（KernelMethod-based）：　前面提到人為的選取特征的局限性， 並且隱含的線性不可分問題。 核函數是壹個計算兩個對象之間“相關度”（kernel）的函數。 有關核函數的定義和優化方法不壹會兒能夠談清， 僅列出文獻：　wiki：/tutorials/KMtalk.pdf（*以下方法沒有經過驗證）　基於核函數的SVM， 應用方式（以情感分類為例）可以簡單地做文本分類（當然可以預先做詞性過濾）， 對於每壹個需要做情感分類的文本之間算出kernel值， 用這個矩陣在svm中得到model， 然後對於測試數據， 或者預測數據在對訓練數據中的每壹項算kernel值， 拿這個矩陣用model去做測試（預測）。 這個過程的壹個“快餐”的理解方式是： 將每壹個數據與測試數據集中的每壹項的相似度的向量當成之前feature-based的方法中的特征向量， 整個過程不過還是壹個基於特征的訓練-預測過程（當然， 這說法是不對的）。 libsvm中自帶subsequence kernel 的實現使用參數-t來進行使用， 此外也支持自定義核函數。　之前談過的KNN， 我覺得也可以引入kernel， 但是至於可行性和必要性嘛， 大家也就當討論壹下吧。 簡單來說就是將KNN中的歐式距離替換成kernel值。==============================CRF應該沒辦法做情感分類吧， 畢竟不是分類器， 拿它做過實體識別， 感覺序列標註器不適合這個問題。嚴重同意@範文閣下的說法， 在實用領域， 預處理和數據獲取（語料）才是王道， 機器學習就和人學習壹樣， 教育方法再好， 教的東西不好壹樣是浮雲。 拿我大二數據挖掘老師的話講， 統計模型都是現成的， 拼得就是數據。